Ошибка при оценке сделки с недвижимостью может стоить миллионы: Анастасия Периг - о том, как ИИ помогает снизить риски
Доверили бы вы алгоритму решение на несколько миллионов долларов? По данным JLL, доля инвесторов, владельцев и арендодателей, запустивших пилотные проекты с искусственным интеллектом в недвижимости, за два года выросла с менее чем 5% до 88%. Для консервативного рынка, который годами опирался на таблицы и личный опыт специалистов, доверить ИИ процессы, связанные с серьезными финансовыми рисками, остается задачей со звездочкой: нейросети могут ошибаться.Украинская разработчица Анастасия Периг уже больше двух лет работает над тем, чтобы программа находила ошибки в документах до того, как их увидит человек, и при этом оценивала вероятность собственных неточностей. Ее инженерные решения компания Northspyre сейчас использует в инструменте, который автоматически проверяет данные о сделке и подсказывает, где в них может скрываться риск.Проблему доверия к выводам ИИ при анализе данных, связанных с высокими рисками, разработчица исследует в своей научной монографии, а также развивает эту тему как член жюри хакатона AITEX Tech for Good, оценивая проекты в сфере медицинских технологий. Поговорили с ней о том, как ИИ помогает искать ошибки в данных и прогнозировать дорогостоящие риски при заключении сделок с недвижимостью.Анастасия, в последние годы вы развиваете технологии для оценки девелоперских проектов и участвовали в создании системы автоматического поиска рисков в документах. Изучая процессы оценки, которые прежде выполняли вручную, какие ошибки вы встречали чаще всего?Обычно дело было в десятке мелких нестыковок, которые накапливались со временем: бюджет в одной таблице, сроки в другой, переписка с подрядчиками в почте у кого-то одного. Человеку рано или поздно надоедает пересчитывать одно и то же вручную, и тогда теряется строка или вбивается не та цифра. Проблема в том, что такая мелочь может всплыть уже после подписания сделки и тогда ее цена совсем другая.Проектируя систему проверки данных, вы наверняка видели, к каким последствиям приводят ошибки. Насколько дорого они могут обходиться?По-разному, но в оценке девелоперских проектов это редко бывает мелочью: один и тот же процент погрешности, помноженный на бюджет в десятки миллионов, это уже не опечатка, а другая экономика всего проекта.Цена ошибки была вам знакома и раньше: вы три года отвечали за точность отчетов и удобство поддержки систем обработки данных в международной ИТ-компании DataArt. Как этот опыт помог вам иначе взглянуть на задачу оценки сделок?Я хорошо знала, насколько дорого обходится даже небольшая ошибка в исходной информации: если она попадала в отчеты, то потом распространялась по десяткам документов, а найти ее было крайне сложно. Поэтому со временем я перестала думать о проверке как о последнем этапе процесса и начала проектировать системы так, чтобы они предотвращали ошибки еще на этапе обработки данных. Этот подход я перенесла и в работу над инструментом оценки сделок. Вместо того чтобы рассчитывать только на ручную проверку результатов, мы заложили в алгоритм автоматическую валидацию данных и контрольные проверки на ключевых этапах расчета. Это позволило выявлять несоответствия сразу, а не тогда, когда оценка уже была готова. Такой подход сделал систему гораздо надежнее и снизил риск человеческой ошибки.У вас есть отдельная научная работа на эту тему монография "Интегрированная методика повышения эффективности мониторинга веб-приложений: предиктивная аналитика для сокращения ошибок и ускорения диагностики". Что именно в предложенной вами методике на тот момент не было общепринятой практикой и применяете ли вы те же принципы на практике например, в работе над инструментом оценки сделок?До этого системы мониторинга в основном реагировали на сбой уже после того, как он происходил. Я предложила методику в работе я называю ее IPAM, которая на основе исторических данных определяет паттерны, обычно предшествующие сбою, и предупреждает о нем заранее. Это и есть основная идея: сдвинуть точку вмешательства с "после" на "до". И да, я использую тот же принцип на практике: если алгоритм обучен распознавать сочетания цифр или формулировок, которые обычно предшествуют проблемному проекту, скажем, заниженную смету на конкретный этап строительства, он способен подсветить это еще до того, как человек дочитает документ до конца.В сфере ИИ громких заявлений почти всегда больше, чем решений, которые выдерживают проверку. Оценивая десятки проектов в сфере медицинских технологий как член жюри хакатона AITEX Tech for Good, много ли вы видели проектов, которые, условно, выдавали готовый ответ без объяснений, откуда он взялся?Таких проектов, где внешне все выглядело убедительно, я видела довольно много: аккуратный интерфейс и уверенный вывод проект перспективный, риск низкий. Но стоило спросить, на каких данных обучена модель и как часто она ошибается на тестовой выборке, и разговор быстро упирался в тишину. У кого-то таких цифр не было вообще, у кого-то были, но команда решила не выносить их в презентацию: "ошибается в 30% случаев" звучит куда менее эффектно, чем "искусственный интеллект оценивает риски". В итоге жюри чаще всего высоко оценивало именно готовность объяснить, где модель работает плохо и почему, это перевешивало любой красивый вывод.Вы сами доверили бы алгоритму решение о дорогостоящей сделке или окончательное слово все равно должно оставаться за человеком?Окончательное слово я бы оставила за человеком. Решение на несколько миллионов долларов должно приниматься с пониманием, почему оно принято, а не просто по цифре на экране. При этом я готова доверять алгоритму почти так же, как себе, если он показывает, на каких данных основан вывод и насколько он в нем уверен, а не выдает готовый ответ без объяснений. Он часто замечает то, что человек упустил бы от усталости за долгий рабочий день, то самое, с чего мы начали разговор. Но подпись под сделкой должен ставить тот, кто отвечает за последствия. Пока алгоритм не научится нести эту ответственность, финальное решение остается за нами.
- Последние
- Популярные
Новости по дням
3 августа 2026
